深度强化学习引导的价格竞争中的隐性算法合谋：一项基于电动汽车充电定价博弈的研究

在具有复杂结构的定价博弈中，参与者越来越多地采用人工智能（AI）辅助的学习算法来制定定价决策以实现利润最大化。这引起了反垄断机构的担忧，因为使用人工智能的做法可能会在原本独立的参与者之间促成默契的算法合谋。最近对规范形式博弈的研究显示了截然不同的说法，从人工智能引导的参与者之间没有合谋到存在高水平的默契合谋。在本文中，我们通过考虑一个实际的博弈来审视对默契合谋的担忧，在该博弈中，电动汽车充电站通过动态改变其价格进行竞争。随着电动汽车在交通各个领域的普及，这种博弈在不久的将来可能会变得普遍。充电站从日前（DA）和实时（RT）电力市场以及内部电池存储系统获取电力。它们的目标是通过定价和有效管理电力使用成本来实现利润最大化。为了辅助我们的研究，我们开发了一种两步数据驱动方法。第一步通过求解一个随机模型来获得日前承诺。第二步通过使用多智能体深度强化学习（MADRL）框架求解一个竞争性马尔可夫决策过程模型来生成定价策略。我们使用一个默契算法合谋水平指数来评估生成的定价策略。指数值为零表示没有合谋（完全竞争），值为一表示完全合谋（垄断行为）。我们的数值案例研究结果得出的合谋指数值介于0.14和0.45之间，表明存在低到中等水平的合谋。